Representation Learning for Attributed Multiplex Heterogeneous Network论文阅读笔记

论文提出的算法主要是针对复杂的多重异构网络（即节点有属性，节点类型有多种，边的类型有多种）。算法名字叫做GATNE，可以分为直推式GATNE-T和归纳式GATNE-I。
每个节点的embedding包括base embedding和edge embedding。其中base embedding是用在共有的，edge embedding是针对不同类型的边构造的图生成的embedding。
对于GATNE-T算法，base embedding是通过网络结构直接训练生成的。edge embedding是在针对不同的边类型，构造不同的图，然后使用类似GraphSage的算法生成各种Edge embedding，然后对各种类型的edge embedding进行一次attention得到。
但是在GATNE-I算法中，base embedding和初始的edge embedding是通过转换函数生成的，即一个节点$i$的属性集为$x_i$，则根据函数$f_z(x_i)$生成base embedding和$g_z(x_i)$生成初始的edge embedding，这里$z$是节点的类型，不用的节点类型有不同的$f$和$g$函数，$f$和$g$函数可以是一个多层感知机。
然后每个节点最终的embedding就是base embedding$+{\alpha }_r{U}_{i,r}$